在数字化时代，数据产品如tableau、growing io等被广大企业和团队广泛应用。随着企业不断发展，数据分析产品的需求也在不断升级。今天，我想与大家分享一个数据分析产品从可视化到智能化升级的实践案例。
在早期，企业主要需要的是报表工具和提取工具等数据平台产品，面向分析师和开发团队，实现数据的提取和加工。随着业务的发展，数据可视化分析产品的需求逐渐显现。这时候，企业可能会采购像tableau、BDP等商业化产品，或者自研分业务主题的Dashboard数据产品。
从基础的报表工具进化到数据可视化产品后，用户体验得到了极大的提升，数据的统一性和及时性也得到了保障。如何提升业务团队的数据分析水平仍然是一个挑战。其中存在两个问题尤为突出：一是方法论的不统一和水平参差不齐；二是分析过程的繁琐耗时。
针对这些问题，智能化的数据分析产品应运而生。以企业经常遇到的“今天订单量为什么下降了”的问题为例，来分享数据产品如何快速、高效、直接地回答业绩波动的问题，并以产品的方式统一方法论、提升分析水平。
分析智能化的两大核心在于分析方法抽象化和产品自动化。
我们要对分析方法进行抽象化。以“订单量下降”的问题为例，分析方法一般会有相对固定的思路和过程。这个过程可以抽象为三个环节：波动情况如何？是否属于正常波动？影响范围的细分以及原因和解决方案。
波动情况的判断可以使用环同比数值和比例来衡量，异常判断则可以通过设定阈值、回归预测或同级城市对比等方法进行。影响范围的细分则需要进一步下钻分析波动影响的范围，根据业务场景的不同会有不同的下钻方式。而原因定位和解决方案则涉及到复杂的数学和业务问题，需要更为深入的探讨和研究。
我们需要通过产品自动化来承载这些抽象化的分析方法，实现统一方法论、提升分析水平的目标。在设计自动进行数据分析的产品时，需要考虑数据分析内容和信息的可视化展现、产品整体交互流程以及两个原则：便于迭代和易于理解。
产品框架需要与抽象化的分析方法紧密映射，由波动和异常判断、下钻分析和归因分析三部分组成。产品的设计要便于迭代和结构化扩展，以适应业务的不断变化。产品要易于理解并符合人的认知习惯，结论要先行并进行结构化表达。
数据分析产品从可视化到智能化的升级是一个不断探索和实践的过程。在这个过程中，我们需要结合企业的实际需求，与业务团队、数据分析师和算法工程师紧作，共同推进数据分析产品的升级和发展。只有这样，才能更好地解答“订单量为什么下降了”这样的问题，并为企业的发展提供有力支持。
